Un tutoriel dédié à l’estimation correcte de la variance de l’effet d’un traitement estimé par pondération par l’inverse du score de propension
La pondération sur le score de propension est très utilisée pour équilibrer des covariables dans les études observationnelles et les essais randomisés, pour tenir compte à la fois des déséquilibres systématiques et aléatoires. Cette approche est basée sur deux étapes : (i) l'estimation des scores de propension individuels (SP), et (ii) l'estimation de l'effet du traitement en appliquant les poids PS. Utiliser un estimateur de variance qui tient compte de ces deux étapes est crucial pour une inférence correcte. En effet, un estimateur de variance qui ignore la première étape entraîne une surestimation de la variance lorsque l'estimand est l'effet moyen du traitement (ATE), et une sous ou surestimation de la variance lorsque l'on vise l'effet moyen du traitement chez les traités (ATT).
Nous présentons un tutoriel complet pour obtenir des estimations de variance non biaisées, en proposant et en appliquant une formule unificatrice (et le code R correspondant) pour différents modèles de propension (logistique, probit, cloglog) et types de pondération (ATE weights, ATT weights, matching weights et overlap weights). Une étude de simulation illustre également la performance des estimateurs sous différents scénarios.
Lien vers la publication (open access) : https://doi.org/10.1002/sim.10078